[發(fā)明專利]線上數據收集方法和神經網絡訓練方法及相關裝置、存儲介質

有效

• 申請?zhí)枺?/td>: 202110574567.X
• 申請日: 2021-05-26
• 公開（公告）號: CN113033807B
• 公開（公告）日: 2021-10-08
• 發(fā)明（設計）人: 陳奕名;王超;霍衛(wèi)濤;馬丁;麻越
• 申請（專利權）人: 新東方教育科技集團有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G06K9/62
• 代理公司: 北京市柳沈律師事務所 11105
• 代理人: 羅莎

一種線上數據收集方法、神經網絡訓練方法、數據收集裝置、神經網絡訓練裝置和非瞬時性存儲介質。線上數據收集方法包括：獲取待校驗數據，其中，待校驗數據為已經上線運行的神經網絡模型所處理的數據；利用多個校驗模型對待校驗數據進行處理，以得到多個校驗均值和至少一個校驗方差；基于多個校驗均值和至少一個校驗方差，確定校驗結果；響應于校驗結果指示待校驗數據為待收集數據，對待校驗數據進行收集以用于對神經網絡模型進行訓練。

技術領域

本公開的實施例涉及一種線上數據收集方法、神經網絡訓練方法、數據收集裝置、神經網絡訓練裝置和非瞬時性存儲介質。

背景技術

近年來，人工智能技術發(fā)展迅速，其商業(yè)化速度超出預期，人工智能技術將會給整個社會帶來顛覆性的變化，已經成為未來各國重要的發(fā)展戰(zhàn)略。以深度學習為核心的算法演進，其超強的進化能力，在大數據的支持下，通過訓練構建得到類似人腦結構的大規(guī)模卷積神經網絡，已經可以解決各類問題。

發(fā)明內容

本公開至少一實施例提供一種線上數據收集方法，包括：獲取待校驗數據，其中，所述待校驗數據為已經上線運行的神經網絡模型所處理的數據；利用多個校驗模型對所述待校驗數據進行處理，以得到多個校驗均值和至少一個校驗方差；基于所述多個校驗均值和所述至少一個校驗方差，確定校驗結果；響應于所述校驗結果指示所述待校驗數據為待收集數據，對所述待校驗數據進行收集以用于對所述神經網絡模型進行訓練。

例如，在本公開至少一實施例提供的線上數據收集方法中，所述多個校驗模型包括第一校驗模型和所述神經網絡模型，所述第一校驗模型為貝葉斯神經網絡模型，利用多個校驗模型對所述待校驗數據進行處理，以得到多個校驗均值和至少一個校驗方差，包括：利用所述第一校驗模型對所述待校驗數據進行處理，以得到第一校驗方差和第一校驗均值；利用所述神經網絡模型對所述待校驗數據進行處理，以得到第一處理結果并將所述第一處理結果作為第二校驗均值；其中，所述多個校驗均值包括所述第一校驗均值和所述第二校驗均值，所述至少一個校驗方差包括所述第一校驗方差。

例如，在本公開至少一實施例提供的線上數據收集方法中，基于所述多個校驗均值和所述至少一個校驗方差，確定校驗結果，包括：判斷所述第一校驗均值和所述第二校驗均值是否滿足與所述第一校驗方差相關的第一條件，響應于所述第一校驗均值和所述第二校驗均值滿足所述第一條件，判斷所述第一校驗方差是否滿足與所述第一校驗均值相關的第二條件：響應于所述第一校驗方差滿足所述第二條件，確定所述校驗結果為第一結果；響應于所述第一校驗方差不滿足所述第二條件，確定所述校驗結果為第二結果；響應于所述第一校驗均值和所述第二校驗均值不滿足所述第一條件，確定所述校驗結果為所述第二結果。

例如，在本公開至少一實施例提供的線上數據收集方法中，所述第一條件表示為：-a*t1 ≤ b1-b2 ≤ a*t1，其中，b1表示所述第一校驗均值，b2表示所述第二校驗均值，a表示所述第一校驗方差，t1為常數，且0.07 ≤ t1 ≤ 0.13，所述第二條件表示為：a ≤b1*t2，其中，t2為常數，且0.3 ≤ t2 ≤ 0.7。

例如，在本公開至少一實施例提供的線上數據收集方法中，所述多個校驗模型包括第一校驗模型和多個第二校驗模型，所述第一校驗模型為貝葉斯神經網絡模型，利用多個校驗模型對所述待校驗數據進行處理，以得到多個校驗均值和至少一個校驗方差，包括：利用所述第一校驗模型對所述待校驗數據進行處理，以得到第一校驗方差和第一校驗均值；利用所述多個第二校驗模型對所述待校驗數據進行處理，以得到多個第二處理結果；對所述多個第二處理結果進行計算，以得到第二校驗方差和第二校驗均值；其中，所述多個校驗均值包括所述第一校驗均值和所述第二校驗均值，所述至少一個校驗方差包括所述第一校驗方差和所述第二校驗方差。